统计过程控制（SPC）：90%的工厂都在假装做统计，剩下10%做得也不对

上周去一个汽配厂，会议室的墙上挂满了控制图。红点、蓝点、上上下下的折线——看起来挺唬人。我问质量经理：“最近有报警吗？”他说：“天天报警，但我们都习惯了，估计是量具不准。”我心里就咯噔一下。这是把统计过程控制（SPC）当壁画了吧？

说实话，干这行近二十年，类似的场景见太多了。很多企业导入SPC，纯粹是因为客户审核要看。表格填得漂漂亮亮，控制图每月归档，但产线该怎么乱还怎么乱。花了大价钱买的软件，最后沦为截图工具。荒唐？不，这是常态。

你的控制图可能就是个“安慰剂”

我们总在提预防为主，但SPC的精髓根本不在图，而在“反应”。点出界了你拉个警报、停个线、查个根源，这叫控制。点都飞到九霄云外了，操作员还在边上打瞌睡——那你画它干嘛？自欺欺人罢了。

有一次我在注塑车间看到一张Xbar-R图，连续9个点都在中心线上方，典型的链状趋势。我问班长：“为什么不调模温？”他一脸懵：“工艺卡上没写啊，而且产量这么紧……” ❗ 这就是问题核心：统计过程控制（SPC）从来不是纯数学游戏，它必须和工程知识捆绑。你没摸过模具、不知道材料批次差异，光看数字有毛用。

CPK 1.67就高枕无忧？想得美

搞质量的张口闭口过程能力指数，CPK、PPK… 客户说必须大于1.33，于是大家就奔着1.67去。真做到了呢？报废率还是居高不下。为什么？因为CPK有个要命的假设——过程是稳态正态的。可现实中的变差来源千奇百怪：刀具磨损、环境温湿度、操作员换班… 你用一个单点的CPK去代表海量生产，等于拿体温计量火山。

我更倾向看长期过程能力PPK的动态变化，配合预控制图在换型初期做快速判断。💡 这里有个血泪教训：某精密轴加工厂，CPK报告天天1.4以上，但发给客户的轴总有几根圆度超差。最后发现，测量员每次取样都下意识挑“顺眼”的——无意识的偏差，彻底毁了整个统计基础。所以现在我审厂，先随机抽几组原始数据，用正态概率图瞄一眼，十家里面有六家数据根本不是正态的，还谈什么能力指数？

问：那到底怎么快速判断数据正态性，总不能每次都做假设检验吧？
答：很简单，用眼睛看。把数据画成直方图，如果是单峰、大致对称，别太纠结绝对正态。更要警惕双峰或多峰——那通常意味着有两种以上的变差来源混在一起了，不分开分析就是耍流氓。当然，严格的客户会要求Anderson-Darling检验，但日常管理，经验判断足矣。

数字化不等于智能，SPC的最后一公里是“人”

现在工业4.0、物联网喊得震天响。很多工厂上了实时数据采集系统，大屏幕上的控制图秒级更新，看着高科技。但半夜两点去车间看看——红灯闪烁根本没人管，因为报警太多，大家都麻木了。这是典型的“数据过载”。❗ 数字化只是把纸质图搬到了屏幕上，核心缺陷一点没变。

真正有效的统计过程控制（SPC）必须搭配统计过程调整策略（Statistical Process Adjustment, SPA）。说白了，就是不但要知道出问题了，还得自动或半自动地告诉你怎么调。近年有些工厂开始尝试闭环自适应控制，检测到均值偏移直接反馈给CNC系统补偿刀具磨损。这当然好，但投入巨大。对于大多数中小企业，我的建议是：先把判异准则用活。别光看出界，连续六点上升、明显周期性波动… 这些异常往往比单纯超差更早预示过程漂移。关键是培养班组长“看趋势而不是看标题”的能力。

问：小批量、多品种的产线，传统SPC根本用不了，怎么办？
答：这是常见痛点。经典SPC要求至少125个数据才能算控制限，可你换型后总共才做50件。我的做法是用标准化控制图（Standardized Control Chart），把不同产品规格的数据转化成无量纲的Z值，合并统计。或者采用偏差流分析（Deviation Flow Analysis），关注同工位、不同产品之间的共性误差。实在不行，就用小批量EWMA图，它对缓慢漂移敏感，而且只需少量数据就能检测异常。别死守着休哈特图不放，统计工具是活的。

写到这里，突然想起早年跟一个德国顾问学SPC，他第一天就强调：“变差不会自己消失，它只会隐藏，或者转移。” 这句话我记了十五年。你是不是真的在做统计过程控制，不是看有没有图，而是看你对普通原因变异和特殊原因变异有没有清晰的区分和应对。你还在把调整当作解决一切的法宝？那你的过程永远不可预测。